避坑指南：在Ubuntu 20.04虚拟机上用Conda一次搞定rknn-toolkit2（附依赖包版本清单）
避坑指南：在Ubuntu 20.04虚拟机上用Conda一次搞定rknn-toolkit2（附依赖包版本清单）
如果你正在Ubuntu虚拟机上折腾rknn-toolkit2的环境配置，大概率已经体会过"依赖地狱"的滋味——Python版本冲突、CUDA不兼容、PyTorch和TensorFlow打架...这篇文章不会给你另一个按部就班的安装教程，而是分享我踩过所有坑之后总结的一次性成功方案，包含经过实战验证的Conda环境配置、依赖版本精确锁定和关键验证技巧。
1. 为什么虚拟机环境特别容易翻车？
在物理机上可能一次成功的安装流程，到了虚拟机上往往问题百出。根本原因在于：
- 硬件虚拟化差异：VMware/VirtualBox的虚拟GPU驱动与物理机存在兼容性断层
- 资源限制放大问题：默认分配的2GB内存和1个CPU核心根本无法满足编译需求
- 依赖树更脆弱：虚拟环境下的动态链接库查找路径更容易出现混乱
提示：建议虚拟机配置至少4GB内存+2核CPU，并启用3D加速选项
典型报错症状对照表：
| 错误类型 | 物理机出现概率 | 虚拟机出现概率 | 解决方案 |
|---|---|---|---|
| GLIBC版本冲突 | 15% | 45% | 使用conda降级gcc |
| CUDA不可用 | 20% | 60% | 改用CPU-only版本 |
| numpy兼容性问题 | 10% | 35% | 锁定1.19.3版本 |
2. Conda环境精准配置策略
2.1 创建隔离环境的黄金参数
不要直接使用conda create -n xxx python=3.8这种基础命令，正确的做法是：
conda create -n rknn2_env python=3.8.10 \ cudatoolkit=11.3.1 \ cudnn=8.2.1 \ numpy=1.19.3 \ -c conda-forge关键点解析：
- 明确指定Python 3.8.10而非模糊的3.8
- 预装CUDA和cuDNN避免后续冲突
- 通过conda-forge通道获取更稳定的构建版本
2.2 依赖版本精确锁定清单
这是我验证过的依赖组合（保存为requirements_rknn2.txt）：
# 核心框架 onnx==1.12.0 onnxruntime==1.13.1 torch==1.10.1+cu113 torchvision==0.11.2+cu113 tensorflow==2.6.2 # 工具链 protobuf==3.20.1 # 必须严格匹配rknn-toolkit2版本 flatbuffers==1.12 opencv-python==4.5.5.64 # 辅助工具 rknn_toolkit2==1.4.0 # 从Rockchip官网获取whl文件安装时使用以下命令避免源污染：
pip install -r requirements_rknn2.txt --no-deps \ --extra-index-url https://download.pytorch.org/whl/cu1133. 虚拟机专属问题解决方案
3.1 共享文件夹权限问题
当通过共享文件夹拷贝rknn-toolkit2安装包时，经常会遇到权限错误。推荐的处理流程：
- 在虚拟机内创建临时目录
mkdir ~/rknn_temp && chmod 777 ~/rknn_temp - 使用rsync同步文件
rsync -avz /mnt/hgfs/shared_folder/rknn_pkg/ ~/rknn_temp/ - 安装前重置权限
find ~/rknn_temp -type f -exec chmod 644 {} \;
3.2 内存不足编译失败
在虚拟机中编译时经常遇到g++: fatal error: Killed signal terminated program cc1plus错误，这是OOM killer在作祟。临时解决方案：
sudo fallocate -l 2G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile永久生效需要写入/etc/fstab：
/swapfile none swap sw 0 04. 验证安装成功的进阶方法
除了conda list，还需要进行以下关键测试：
4.1 硬件加速验证
创建test_gpu.py：
import tensorflow as tf print(tf.config.list_physical_devices('GPU')) from rknn.api import RKNN print(RKNN().get_sdk_version())预期输出应包含GPU设备信息和RKNN版本号。
4.2 模型转换压力测试
准备一个简单的ONNX模型进行转换测试：
python -c " import onnx, numpy as np from onnx import helper dummy_node = helper.make_node('Abs', ['x'], ['y']) graph = helper.make_graph([dummy_node], 'test', [helper.make_tensor_value_info('x', onnx.TensorProto.FLOAT, [1])], [helper.make_tensor_value_info('y', onnx.TensorProto.FLOAT, [1])]) onnx.save(helper.make_model(graph), 'dummy.onnx') "然后执行RKNN转换：
from rknn.api import RKNN rknn = RKNN() ret = rknn.load_onnx(model='dummy.onnx') ret = rknn.build(do_quantization=False)这个流程能验证从ONNX到RKNN的完整工具链是否畅通。